卡尔曼滤波学习笔记

卡尔曼滤波是利用已有估计值和实测值来预测下一估计值的一种数据处理方法，使得估计值相对真实值的方差最小。整个过程中真实值不可见。
假设已有估计值x(n-1)，其对真实值的方差为D(n-1)，此时传感器实测数据值为z(n)，对真实值方差为R，且估计值和实测值都不够准确。则我们预测下一估计值为
x(n) = (1-K) * x(n-1) + K * z(n)……(1)
这里K取什么值才能使x(n)对真实值的方差D(n)最小呢？
由于x(n-1)与z(n)相互独立，可以计算方差
D(n) = (1-K)^2 * D(n-1) + K^2 * R……(2)
不难看出这是个关于K的一元二次的函数，故当
K = D(n-1) / (D(n-1) + R)……(3)
时，估计值x(n)有最小方差，为
D(n) = (1 - K) * D(n-1)……(4)
式中的K被称为卡尔曼增益
这样我们就得到了卡尔曼滤波的迭代表达式（1）（3）（4），在初始化时，给定初值x(0)和D(0)，通过传感器不断采集数据z(n)，按最小方差进行估计，便可使得数据值向逐渐向真实值靠拢。